1

KELUARAN MODEL SKORING PROGNOSTIK GOMEZ

TERHADAP KEMATIAN DINI PADA CEDERA KEPALA BERAT

DI RSUP DR. HASAN SADIKIN BANDUNG

PERIODE 1 JANUARI 2014 - 31 DESEMBER 2014

Oleh

EL IKLI RAISYI, dr

130221100005

Paper Bedah Lanjut

Untuk memenuhi salah satu syarat kelulusan

Program Pendidikan Dokter Spesialis 1 Ilmu Bedah

Fakultas Kedokteran Universitas Padjadjaran

PROGRAM PENDIDIKAN DOKTER SPESIALIS 1

BAGIAN BEDAH FAKULTAS KEDOKTERAN

UNIVERSITAS PADJADJARAN

BANDUNG

2015

2

KELUARAN MODEL SKORING PROGNOSTIK GOMEZ

TERHADAP KEMATIAN DINI PADA CEDERA KEPALA BERAT

DI RSUP DR. HASAN SADIKIN BANDUNG

PERIODE 1 JANUARI 2014 - 31 DESEMBER 2014

El Ikli Raisyi1, Muhammad Zafrullah Arifin2

1.Peserta PPDS Ilmu Bedah Fakultas Kedokteran, Universitas Padjadjaran

2. Pengajar Departemen Bedah Saraf, Fakultas Kedokteran, Universitas Padjadjaran

Abstrak

Pendahuluan: Cedera kepala traumatik terutama cedera kepala berat merupakan

penyebab utama kematian dan kecacatan di banyak negara. Cedera kepala berat

merupakan penyebab kematian dini, sehingga sangat penting untuk menilai

prognosa pasien. Cedera kepala berat dan kematian dini (< 48 jam) membutuhkan

pertimbangan strategi pengelolaan penanganan pasien dengan pertimbangan

alokasi sumber daya yang dibutuhkan.

Metode: Terdapat 94 kasus cedera kepala berat yang memenuhi kriteria inklusi,

data diambil dari rekam medik secara retrospektif (1 Januari 2014 31 Desember

2014) dengan variabel usia, motorik, reaksi pupil, syok, perdarahan sub dural,

penekanan sisternal, perdarahan epidural, kemudian data tersebut di berikan nilai

sesuai dengan skor prognostik Pedro. Rentang skor 0 20 dengan probabiliti

kematian dini. Data diolah secara statistik dengan menggunakan SPSS versi 18.

analisis kesesuaian model prediksi kematian dini Gomez dengan analisis regresi

logistik.

Hasil: Dari 94 pasien, 30 meninggal (31,9%) dan 64 hidup (68,1%). Rata-rata skor

seluruh pasien adalah: 4,71 2,81 dengan median 5 dan rentang skor antara 0-11.

Pasien yang mati memiliki rata-rata skor 5,50 2,64 dengan median 6 dan rentang

skor antara 0-11. Pasien yang hidup memiliki rata-rata skor 4,34 283 dan median

skor 4,5 rentang skor antara 0-11. Mayoritas pasien berusia antara 15-35 tahun

(46,8%) dengan karakteristik dominan untuk motorik: lainnya (96,8%), reaksi

pupil: lainnya (59,6%), syok: tidak (97,9%), perdarahan subdural: tidak (60,6%),

penekanan sisternal: ya (55,3%), dan perdarahan epidural: tidak (74,5%) . Secara

fungsional, akurasi prediksi dari fungsi regresi logistik yang diperoleh adalah

sebesar 72,3% dengan sensitivitas 33,3% dan spesifisitas 90,6%.

Kesimpulan : Nilai prediksi skor prognosis Gomez mempunyai nilai sensifitas

rendah, spesifisitas sedang dan akurasi sedang

Kata Kunci: Akurasi, Cedera kepala berat, Kematian dini, Model skor prognostik

Gomez

3

OUTPUT OF GOMEZ PROGNOSTIC SCORE MODEL FOR EARLY

MORTALITY IN SEVERE HEAD INJURY IN DR. HASAN SADIKIN

HOSPITAL PERIOD JANUARY 2014- DECEMBER 2014

El Ikli Raisyi1, Muhammad Arifin Zafrullah2 Resident Department of Surgery Faculty of Medicine, University of Padjadjaran

Lecturer Department of Neurosurgery, Faculty of Medicine, University of Padjadjaran

Abstract

Introduction: Head injury, especially severe head injury is the cause of death and disability

in many countries. Severe head injury is the cause of early mortality, so it is important to

assess the prognosis of patients. Severe head injury and early mortality (

4

DAFTAR ISI

LEMBAR PENGESAHAN ............................................................................ i

DAFTAR ISI ................................................................................................... ii

Abstrak .......................................................................................................... .. iv

BAB I. PENDAHULUAN

1.1 Latar Belakang Penelitian ......................................................................... 1

1.2 Rumusan Masalah .................................................................................... 3

1.3 Tujuan Penelitian ...................................................................................... 3

1.4 Kegunaan Penelitian ................................................................................. 3

BAB II. KAJIAN PUSTAKA

2.1 Definisi ..................................................................................................... 4

2.2 Klasifikasi Cedera Kepala ......................................................................... 4

2.3 Glasgow Coma Scale (GCS).................................................................... . 6

2.4 Model Prognostik ......................................... ............................................ 8

BAB III. SUBJEK DAN METODE PENELITIAN

3.1 Subjek Penelitian ...................................................................................... 13

3.1.1 Populasi ........................................................................................... 13

3.2.1 Kriteria Inklusi ................................................................................. 13

3.2.1 Kriteria Eksklusi .............................................................................. 13

3.2 Metode Penelitian ..................................................................................... 13

3.2.1 Rancangan Penelitian ...................................................................... 13

3.2.2 Variabel ........................................................................................... 13

5

3.2.3 Cara Kerja dan Teknik Pengumpulan Data. .... 14

3.2.4 Tempat dan Waktu Penelitian .......................................................... 15

3.2.5 Rencana Pengolahan dan Rancangan Analisis Data ........................ 16

BAB IV. HASIL DAN PEMBAHASAN

4.1 Hasil .......................................................................................................... 17

4.1.1 Karakteristik pasien ......................................................................... 17

4.1.2 Kesesuaian Model Skor Prognostik Gomez .......................................... 19

4.1.3 Diskriminasi Model Skor Prognosis Gomez ......................................... 20

4.2 Pembahasan ............................................................................................... 22

BAB V. SIMPULAN DAN SARAN

5.1 Simpulan ......................................................................................... 25

5.2 Saran ............................................................................................... 25

DAFTAR PUSTAKA ..................................................................................... 26

6

BAB I

PENDAHULUAN

1.1. Latar belakang penelitian

Cedera kepala traumatik merupakan masalah kesehatan masyarakat dan sosial

ekonomi, dan merupakan penyebab utama kematian dan kecacatan pada

masyarakat di banyak negara. Insidensi cedera kepala meningkat tajam, terutama

karena meningkatnya pengendara motor di negara-negara berpenghasilan rendah

dan menengah. Secara global, lebih dari 10 juta orang mengalami cedera kepala

cukup serius yang mengakibatkan kematian atau masuk rumah sakit setiap

tahunnya.1 Prevalensi cedera kepala di Amerika Serikat diperkirakan sekitar 5,3

juta kasus per tahun. Di Uni Eropa dengan 330 juta penduduk, sekitar 7.775.000

kasus cedera kepala baru terjadi setiap tahunnya. Di Indonesia, kejadian cedera

kepala berat adalah antara 6 hingga 12% dari semua kasus cedera kepala, dengan

angka kematian berkisar antara 25 dan 37%.2 Di seluruh dunia, cedera kepala akan

melampaui banyak penyakit sebagai penyebab utama kematian dan kecacatan pada

tahun 20203

Insidensi cedera kepala sedang dan berat berkisar 10% 20% dari seluruh

cedera kepala, selanjutnya membutuhkan ruang intensive untuk perawatan. Pada

pasien cedera kepala berat satu dari dua pasien meninggal dan hidup dengan

dissabilitas berat.

Klinisi secara rutin membuat diagnostik dan keputusan terapeutik berdasarkan

prognosis pasien. Pentingnya menggunakan model yang akurat untuk memprediksi

7

cedera kepala terhadap kematian dini telah dirintis oleh Jennett et al.4 Prediksi

cedera kepala berat mendukung pengambilan keputusan klinisi dalam manajemen

pasien, komunikasi dengan keluarga, dan alokasi sumber daya. Publikasi model

prognostik pada pasien cedera kepala berat telah menjadi tantangan dalam satu

dekade ini. Selain itu, model prognostik dapat digunakan untuk meningkatkan

klasifikasi dari cedera kepala berdasarkan risiko prognostik, yang akan

meningkatkan pemahaman tentang mekanisme penyakit yang lebih baik dan

menentukan pilihan penanganannya.5

systematic reviews model prognostik untuk cedera kepala yang telah

dipublikasi dalam 20 tahun terakhir telah menghasilkan kritik tentang validitas

klinis atau metodologinya; hanya beberapa studi yang melakukan validasi internal

dan eksternal.6

Beberapa penelitian telah menganalisis karakteristik pasien yang berhubungan

dengan kematian dini pada pasien cedera kepala berat. Tahun 2014 Gomez dkk

mempublikasikasi model skor prognosis kematian dini (dalam waktu 48 jam). pada

pasien cedera kepala berat, dengan tujuh variabel prediktor dan telah dilakukan

validasi interna dan eksterna.7

Tujuan free paper ini, yaitu untuk mengetahui ketepatan prediksi kematian dini

berdasarkan model skoring prognostik Gomez pada pasien cedera kepala berat di

RSHS.

8

1.2.Rumusan Masalah

Bagaimana nilai prediksi kematian dini model skoring prognostik Gomez pada

pasien cedera kepala berat di RSHS

1.3.Tujuan Penelitian

Mengetahui sensitifitas, spesifisitas dan akurasi model skoring prognostik

Gomez terhadap kematian dini pada pasien cedera kepala berat di RSHS

1.4. Kegunaan Penelitian

Model skoring prognostik Gomez pada pasien cedera kepala berat terhadap

kematian dini dapat digunakan dalam pelayanan dan referensi

9

BAB II

KAJIAN PUSTAKA

2.1. Definisi

Cedera Kepala Traumatik memiliki arti yang sangat luas. Walaupun secara

anatomis memiliki arti suatu trauma terhadap bagian tubuh diatas batas bawah mandibula

namun secara umum trauma maksilofacial dibedakan dari cedera kepala. Tidak ada

kesepakatan khusus mengenai arti dari cederaa kepala untuk keperluan epidemiologi

namun Cedera Kepala diartikan suatu jejas pada kepala atau jaringan yang berada dalam

struktur kepala yang diakibatkan oleh sebuah energi eksternal seperti energi mekanik.

Menurut Field (1976) cedera kepala adalah trauma yang menyebabkan beberapa resiko

kerusakan pada otak. Sedangkan menurut Brookes et all (1990) cedera kepala adalah

suatu cedera pada scalp termasuk pembengkakan, aberasi atau kontusi dan laserasi, atau

riwayat pasti adanya benturan terhadap kepala, atau pasien yang telah dilakukan foto x-

ray kepala segera setelah trauma dan pasien yang mempunyai bukti klinis mengalami

fraktur dasar kepala.8

2.2. Klasifikasi Cedera Kepala

Meskipun cedera kepala diklasifikasikan kedalam beberapa pembagian namun

penggolongan praktis yg sering digunakan adalah berdasarkan mekanisme, keparahan

(severity), dan Morfologi.9

10

Berdasarkan mekanisme diklasifikasikan menjadi:

1. Cedera Kepala Tertutup

a. Kecepatan tinggi (kecelakaan)

b. Kecepatan rendah (jatuh, kekerasan)

2. Cedera Kepala Penetrasi

a. Luka tembak senjata

b. Cedera terbuka lainnya

Berdasarkan keparahan diklasifikasikan menurut Glasgow Coma Scale (GCS)

menjadi :

1. Cedera Kepala Ringan (GCS 14-15)

2. Cedera Kepala Sedang (GCS 9-13)

3. Cedera Kepala Berat (GCS 3-8)

Berdasarkan morfologi diklasifikasikan menjadi :

1. Fraktur Tulang

a. Tengkorak: linier atau stelate, depres atau tidak depres

b. Dasar Tengkorak : Dengan atau tanda kebocoran LCS, dengan

atau tanpa kelumpuhan nervus VII

2. Lesi Intraakranial

a. Fokal : epidural, subdural, intracranial

b. Difus : konkusi ringan, konkusi klasik, dan cedera otak difus

11

2.3. Glasgow Coma Scale (GCS)

Pada tahun 1974, Teasdale dan Jennet mengidentifikasikan tanda klinis yang

dapat memprediksikan hasil yang baik dan menghasilkan sedikit variasi apabila diperiksa

oleh pemeriksa yang lain yang dikenal dengan Skala Coma Glasgow atau Glasgow Coma

Scale (GCS). GCS ini memberikan keseragaman dalam memeriksa tingkat kesadaran

pasien. Tingkat kesadaran dibagi kedalam kemampuan pasien untuk membuka mata,

mengikuti perintah dan berbicara. Masing-masing komponen pemeriksaan diberikan

nilai sesuai fungsi dari pasien tersbut. Pasien yang mampu membuka mata secara

spontan, mengikuti perintah dan berbicara dengan orientasi baik diberi nilai tertinggi

yaitu 15 dan pasien yang tidak bisa membuka mata, tidak ada gerakan atau flasid dan

tidak bisa berbicara diberikan nilai terendah yaitu 3, dimana keadaan ini disebut koma.9

Tabel 2.1. Glasgow Coma Scale 9

12

Komponen Penilaian Nilai

Eye Opening (E)

Spontan

Respon suara (perintah)

Respon nyeri

Tidak ada respon

4

3

2

1

Motor Response (M)

Mengikuti perintah

Lokalisasi nyeri

Menghindari nyeri

Fleksi abnormal (Dekortikasi)

Ekstensi (Deserebrasi)

Tidak ada respon

6

5

4

3

2

1

Verbal Response (V)

Orientasi baik

Disorientasi

Kata-kata yang tidak sesuai

Suara

Tidak ada respon

5

4

3

2

1

2.4. Model Prognostik

13

Sebuah model prognostik adalah model statistik, atau persamaan

matematika, yang mencakup dua atau lebih faktor prognostik atau variabel, untuk

menghitung probabilitas. Dalam penelitian medis, hasilnya adalah sering dikotomi;

contoh termasuk memprediksi probabilitas menjadi hidup atau mati pada titik

waktu tertentu, tumor menjadi jinak atau ganas.10

Idealnya, faktor yang digunakan untuk membuat Model prognosis yang

secara statistik dan klinis terkait dengan hasilnya harus semua individu tercakup,

meskipun hal ini tidak selalu terjadi. variabel harus dipilih dengan hati-hati;

dianjurkan dengan memulai variabel kandidat, diketahui dari studi sebelumnya

Populasi Umumnya, lebih tinggi jumlah variabel meningkatkan model explanatory

effect, tetapi menggunakan variabel lebih banyak juga meningkatkan risiko

overfitting dan menurun penerapan klinis. Oleh karena itu, banyak peneliti

menyarankan bahwa model yang baik harus mencakup tidak lebih dari lima sampai

tujuh prediktor.10

Namun, hal yang lebih penting daripada metode statistik adalah pemilihan

prediktor, Sebuah tinjauan sistematis menyarankan perbaikan metodologi untuk

model prognostik pada cedera kepala ketika dibuat untuk memperhatikan cara

development nya dan cara validasi.10

2.4.1. Validasi Internal

Validasi internal mengacu pada pengujian model untuk reproduktifitas

dalam dataset serupa dengan yang digunakan untuk mengembangkan model. semua

prognostik model harus setidaknyadilakukan internal validasi sebelum dilakukan

14

publikasi. Split-sampel, cross-validasi, jackknifing, dan bootstrap adalah teknik

statistik umum yang paling sering untuk internal validasi.10

Teknik split-sampel mungkin metode yang paling sederhana dan mudah

untuk validasi internal. dataset dibagi acak menjadi dua kelompok, membuat

kelompok yang sama tetapi independen; satu Kelompok digunakan untuk

pengembangan Model (pengembangan set) dan kelompok lainnya digunakan untuk

validasi model (validasi set). Dengan cara ini model diuji pada sejenis tapi masih

data independen. teknik split-sampel, bagaimanapun, sangat tergantung pada

ukuran sampel dan membutuhkan cukup besar kelompok pasien. Selanjutnya, data

pemisahan selalu menghasilkan data yang hilang, dan dengan demikian,

mengurangi kekuatan statistik.

Teknik cross-validasi adalah perpanjangan teknik split-sampel, di mana

pasien secara acak dibagi menjadi dua bagian, satu untuk pengembangan model dan

lainnya untuk validation. Dalam cross-validasi, prosedur ini diulang dengan Model

sekarang dikembangkan di dataset lain dan divalidasi dalam dataset pengembangan

asli. Sehingga menjalani dua tahap sebagai perkiraan kinerja. Teknik cross-validasi

selanjutnya dapat diperpanjang untuk mengambil 90% dari data untuk

pengembangan model dan 10% untuk validasi. Prosedur diulang untuk total sepuluh

kali untuk penilaian estimasi kinerja.10

Bootstrap adalah teknik resampling komputer-intensif yang menarik sampel

acak dengan penggantian dari dataset aslinya Teknik bootstrap dapat diterapkan

pada berbagai ukuran kinerja, termasuk AUC, calibration slopes, and Nagelkerke

15

R2. Untuk menilai validitas internal Sebuah model dengan menggunakan teknik

bootstrap, yang dinilai adalah optimism-corrected performance.10

2.4.2. Validasi Eksternal

Sebuah model prognostik umumnya penampilannya lebih baik pada dataset

dari mana ia berasal dari pada data baru. Tujuan validasi eksternal adalah untuk

menilai kinerja dari Model prognostik dalam ruang, tempat dan waktu yang berbeda

, tapi masih masuk kriteria yang masih terkait. Validasi eksternal sangat penting

dalam mendukung generalisasi model prognostik dan memberikan bukti bahwa

Model sebenarnya akurat dalam memprediksi outcomes. beberapa jenis variasi

validasi eksternal, apakah metodologis (temporal, geografis, sepenuhnya

independen) atau karakteristik (calon pengujian dengan pasien yang lebih baru,

multi-tempat pengujian, peneliti lain di tempat lain).10

2.4.3. Performance Assessment

2.4.3.1 Diskriminasi

Diskriminasi mengacu pada kemampuan model untuk membedakan pasien

dengan hasil tertentu dari pasien tanpa itu (misalnya korban dan non-korban),

sebuah model prediksi yang baik akan mampu memprediksi hasil sesuai dengan

probabilitasnya, yaitu pada pasien probabilitas rendah akan menghasilkan outcome

yang rendah.10

Diskriminasi meliputi akurasi, sensitivitas, dan spesifitas dan sering diukur

(untuk model prognostik dengan binary outcome) oleh area under the receiver

operator characteristic curve (AUC, juga disebut C-statistik untuk model dengan

binary outcome) .10

16

Diskriminasi adalah kemampuan suatu model untuk membedakan individu

dengan dan tanpa kondisi yang diteliti. Kemampuan ini dievaluasi menggunakan

kurva receiver operating characterisctics (ROC). Kurva ROC meghubungkan true

positive (sensitivitas) dan false positive ( 1 Spesifisitas) berbagai titik potong

probabilitas yang dihasilkan oleh suatu model. Daerah di bawah kurva (AUC)

berkisar mulai 0,5, yang berarti model tidak memiliki kemampuan diskriminasi,

hingga 1,0 (diskriminasi yang sempurna).10

AUC 0,5 menunjukkan nilai prediksi dari Model menjadi tidak lebih baik

dari kenyataan, sementara AUC 1.0 adalah sempurna (100% sensitivitas dan 100%

spesifik). Diskriminasi sempurna dicapai ketika probabilitas untuk semua kasus

dengan hasil yang lebih tinggi dari probabilitas tanpa tumpang tindih. Umumnya

cut off yang dipakai, untuk AUC> 0,75 > 0.80 interpretasinya > 0,90 sangat baik

, > 0,80 baik, '> 0.70 memuaskan' dan

17

menghubungkan probabilitas diprediksi (aksis X) dengan proporsi luaran yang

diamati (aksis Y) Dengan menggunakan perangkat lunak S-Plus atau R, peneliti

bisa mendapatkan garis kalibrasi. Kalibrasi yang sempurna dilambangkan dengan

garis yang memiliki slope=1, intercept=0, dan melintang 45 memotong sumbu Y=0.

Kalibrasi juga dapat dievaluasi menggunakan uji goodness of fit Hosmer-

Lemeshow. Nilai P > 0,05 menunjukkan tidak ada perbedaan bermakna antara

probabilitas yang diprediksi dengan frekuensi outcome yang diamati.10

Sebuah p-value 0,05 (tidak ada statistik

deviasi yang signifikan antara yang diamati dan hasil prediksi) kesimpulannya

kalibrasi yang baik.10

18

BAB III

SUBJEK DAN METODE PENELITIAN

3.1. Subjek Penelitian

3.1.1 Populasi

Populasi yang diambil merupakan populasi terjangkau yaitu: Pasien dengan

cedera kepala berat yang datang ke RSHS pada Januari 2014 Desember 2014.

3.1.2 Kriteria Inklusi

Semua pasien cedera kepala berat ( GCS 8 ) yang datang ke RSHS pada

Januari 2014 Desember 2014 yang dilakukan pemeriksaan CT Scan kepala.

3.1.3 Kriteria Eksklusi

Subyek dikeluarkan bila berumur dibawah 15 tahun, GCS 9, pasien

dengan multiple trauma dan data pasien pada rekam medik tidak lengkap.

3.2. Metode Penelitian

3.2.1. Rancangan Penelitian

Desain penelitian yang dipakai adalah retrospective study pada pasien

dengan cedera kepala berat yang datang ke RSHS pada Januari 2014 Desember

2014.

3.2.2. Variabel

Variabel bebas:

o Umur

19

o Motorik

o Reaksi Pupil

o Syok

o Perdarahan Sub dural

o Penekanan Sisternal

o Perdarahan Epidural

o Jumlah total skoring

Variabel tergantung:

o Kematian dini

3.2.3 Cara Kerja dan teknik pengambilan data

Data penelitian diambil dari rekam medik pasien dengan cedera kepala berat

yang datang ke RSHS mulai 1 Januari 2014 sampai dengan 31 Desember 2014.

Data yang dikumpulkan dari rekam medik adalah usia ketika masuk rumah

sakit, motorik, reaksi pupil, syok, perdarahan sub dural, penekanan sisternal,

perdarahan epidural, kemudian data tersebut di berikan masing masing bobot nilai

sesuai dengan skoring prognostik Gomez terhadap kematian dini pada pasien

cedera kepala berat, nilai tersebut dijumlahkan dan dilihat status kematian pasien

dalam 48 jam.

20

Tabel. Prediktor kematian dan nilai bobot

Dari data yang dikumpulkan didapatkan nilai total skoring masing masing

pasien dengan rentang nilai terkecil 0 dan terbesar 20, kemudian dari rekam medik

dilihat status kematian pasien dalam 48 jam. Data tersebut dibandingkan dengan

probabilitas kematian dari model skoring prognostik Gomez.

Pasien dengan data tidak lengkap pada rekam medik tidak dimasukkan

kedalam subjek penelitian. Hasil data tersebut diolah dengan SPSS edisi 18,

dianalisis, dan dibuat laporan penelitiannya.

3.2.4 Tempat dan Waktu Penelitian

Penelitian dilakukan dengan mengumpulkan data dari rekam medis pasien

di Bagian Rekam Medik Rumah Sakit Hasan Sadikin. Bandung. Waktu penelitian

dilakukan pada bulan April - Mei 2015.

21

3.2.5 Rencana Pengolahan dan Rancangan Analisis Data

Data diolah secara statistik dengan menggunakan SPSS versi 18. Ketepatan

prediksi kematian dini model skoring prognosis Gomez pada pasien cedera kepala

berat dianalisis dengan dua pendekatan, yaitu: analisis kesesuaian model prediksi

kematian dini Gomez dengan analisis regresi logistik dan analisis diskriminasi skor

prognosis Gomez dalam memprediksi kematian dini dengan analisis kurva ROC

(Receiver Operating Characteristic) yang dilanjutkan dengan analisis tabulasi

silang Chi-Square.

Kesesuaian model prediksi kematian dini Gomez, sebagai fungsi regresi

logistik, diuji berdasarkan kemampuan prediksinya melalui pengukuran

Nagelkerke R Square, kalibrasi atau kecocokan prediksinya melalui uji goodness-

of-fit (uji Hosmer and Lemewshow), dan akurasi prediksinya melalui pengukuran

akurasi, sensitivitas, dan spesifisitasnya. Kalibrasi dari skor total prognosis Gomez

dalam memprediksi kematian dini diukur melalui Area Under Curve (AUC) dalam

analisis kurva ROC. Sedangkan akurasi dan kemampuan diskriminasinya dianalisis

dan diuji melalui analisis tabulasi silang Chi-Square.

22

BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil Penelitian

Hasil penelitian yang disajikan meliputi karakteristik pasien, hasil analisis

kesesuaian model prediksi kematian dini Gomez, dan hasil analisis diskriminasi skor

prognosis Gomez dalam memprediksi kematian dini pada cedera kepala berat di RSUP dr.

Hasan Sadikin Bandung.

4.1.1 Karakteristik Pasien

Karakteristik pasien terdiri dari status kematian dini, skor prognosis Gomez, dan

karakteristik prediktor kematian dini model skoring prognosis Gomez. Dari sampel

sebanyak 94 pasien, 30 pasien diantaranya mati (31,9%) dan 64 pasien lainnya hidup

(68,1%). Rata-rata skor prognosis Gomez untuk seluruh pasien adalah: 4,71 2,81 dengan

median 5 dan rentang skor antara 0-11. Pasien yang mati memiliki rata-rata skor 5,50

2,64 dengan median 6 dan rentang skor antara 0-11. Adapun pasien yang hidup memiliki

rata-rata dan median skor yang lebih rendah daripada pasien yang mati, yaitu 4,34 283

dan median 4,5; namun memilik rentang skor yang sama dengan pasien yang mati, yaitu

antara 0-11.

Mayoritas pasien berusia antara 15-35 tahun (46,8%) dengan karakteristik dominan

untuk motorik: lainnya (96,8%), reaksi pupil: lainnya (59,6%), syok: tidak (97,9%),

perdarahan subdural: tidak (60,6%), penekanan sisternal: ya (55,3%), dan perdarahan

epidural: tidak (74,5%).

23

Tabel 4.1. Karakteristik Pasien

Karakteristik Statistik

Jumlah Pasien

Kematian Dini

Mati

Hidup

Skor Gomez

Seluruh Pasien

Mean SD

Median

Rentang

Pasien Mati

Mean SD

Median

Rentang

Pasien Hidup

Mean SD

Median

Rentang

Usia

15-35 th.

36-55 th.

56-75 th.

94

30 (31,9%)

64 (68,1%)

4,71 2,81

5

0-11

5,50 2,64

6

0-11

4,34 2,83

4,5

0-11

44 (46,8%)

35 (37,2%)

15 (16,0%)

Motorik

Lainnya

Tidak ada respon

Reaksi Pupil

Lainnya

1 pupil bereaksi

Tidak ada reaksi pupil

Syok

Tidak

Ya

Perdarahan Subdural

Tidak

Ya

Penekanan Sisternal

Tidak

Ya

Perdarahan Epidural

Tidak

Ya

91 (96,8%)

3 (3,2%)

56 (59,6%)

26 27,7%)

12 (12,8%)

92 (97,9%)

2 (2,1%)

57 (60,6%)

37 39,4%)

42 (44,7%)

52 55,3%)

70 (74,5%)

24 (25,5%)

24

4.1.2 Kesesuaian Model Skor Prognostik Dini Gomez

Kesesuaian model prediksi kematian dini Gomez pada cedera kepala berat

dianalisis melalui regresi logistik binomial. Fungsi prediksi probabilitas terjadinya

kematian dini yang diperoleh adalah: p(mati)^ = 1 / (1+ e-(-0,019 - 0,074xUsia + 0,672xMotorik

+ 0,255xPupil + 10,906xSyok + 0,493xSDH- 0,153xSisternal + 0,054xEDH)).

Tabel 4.2. Hasil Analisis Regresi Logistik

Sebagaimana dapat dilihat pada persamaan fungsi dan tabel di atas, fungsi

logistik tersebut menunjukkan besarnya prediksi probabilitas terjadinya kematian

dini yang diprediksikan tujuh prediktor dalam sistem skoring prognosis Gomez,

yaitu: usia, motorik, reaksi pupil, syok, SDH (perdarahan subdural), penekanan

sisternal, dan EDH (perdarahan epidural). Tampak bahwa koefisien regresi untuk

motorik (0,672), reaksi pupil (0,255), syok (10,906), SDH (0,496), dan EDH

Nagelkerke

R Square

Hosmer and

Lemeshow

Test

Kemampuan

Prediksi 0,175

Kalibrasi 0,750

Prediksi Akurasi

Kematian Mati Hidup

Observasi Mati 10 20 33,3%

Hidup 6 58 90,6%

Overall 72,3%

Koefisien Wald p

Usia -0,074 0,044 0,833

Motorik 0,672 2,431 0,119

Pupil 0,255 4,722 0,030

Syok 10,906 0,000 0,999

SDH 0,493 0,671 0,413

Sisternal -0,153 0,555 0,456

EDH 0,054 0,029 0,856

Konstanta -0,196 5,699 0,017

25

(0,054) terhadap kematian bernilai positif. Secara deskriptif hal ini menunjukkan

bahwa probabilitas mati pada pasien dengan motorik dan rekasi pupil yang lebih

buruk serta ada syok, SDH dan EDH adalah lebih tinggi daripada probabilitas mati

pada pasien dengan tingkat usia yang lebih rendah dan tidak ada penekanan

sisternal. Sedangkan koefisien regresi untuk usia (-0,074) dan sisternal (-0,153)

terhadap kematian bernilai negatif. Secara deskriptif hal ini menunjukkan bahwa

probabilitas mati pada pasien dengan tingkat usia yang lebih tinggi dan ada

penekanan sisternal adalah lebih rendah daripada probabilitas mati pada pasien

dengan tingkat usia yang lebih rendah dan tidak ada penekanan sisternal. Walaupun

demikian, berdasarkan uji Wald, hanya reaksi pupil yang berhubungan secara

signifikan dengan kematian dini pada cedera kepala berat (p = 0,030), sedangkan

keenam prediktor lainnya tidak signifikan.

Hasil analisis juga menunjukkan bahwa model prediksi kematian dini

Gomez memiliki kemampuan prediksi yang moderat, yaitu sebesar 17,5%

(Nagelkerke R Square), dan kalibrasi (goodness-offit) yang dapat diterima

(Hosmer and Lemewshow Test, p = 0,750) memiliki kalibrasi yang baik . Secara

fungsional, akurasi prediksi dari fungsi regresi logistik yang diperoleh adalah

sebesar 72,3% dengan sensitivitas dan spesifisitas sebesar 33,3% dan 90,6%.

4.1.3 Diskriminasi Skor Prognosis Gomez dalam Memprediksi Kematian Dini

Diskriminasi skor prognosis Gomez dalam memprediksi kematian dini pada

cedera kepala berat dianalisis melalui analisis kurva ROC (Receiver Operating

Characteristic) yang dilanjutkan dengan analisis tabulasi silang Chi-Square. Hasil

26

analisis kurva ROC menunjukkan bahwa skor prognosis Gomez memiliki tingkat

diskriminasi sebesar 62,6% (Area Under Curve).

Tabel 4.3. Kategori Jumlah Skor dengan Kematian

ROC

Area Under Curve 0,626

Cut-off 6

Kematian p

Mati Hidup

Skor Gomez >= 6

16

53,3%

20

31,3% 0,068#

< 6

14

46,7%

44

68,8%

# Chi-Quare (Continuity Correction)

Berdasarkan perbandingan kombinasi sensitivitas dan spesifisitas antar cut-

off skor Gomez dalam menghasilkan akurasi yang optimal diperoleh cut-off skor

Gomez sebesar 6, yaitu: >=6 dan

27

4.2 Pembahasan

Jumlah terbesar dari informasi prognostik yang terkandung dari tiga prediktor:

usia, skor motorik, dan reaksi pupil saat pasien masuk. Karakteristik ini sudah

dipertimbangkan dalam model pertama untuk cedera kepala4 dan dalam banyak model

prognostik berikutnya.11 Informasi dari CT scan memberikan informasi prognostik

tambahan, meskipun tidak semua informasi prognostiknya dari CT scan. Kehadiran EDH

dikaitkan dengan hasil yang lebih baik setelah trauma, dapat dijelaskan dengan

kemungkinan akan dilakukan evakuasi hematoma. Adanya EDH sering mengganggu

fungsi otak karena kompresi otak meskipun umumnya ada sedikit kerusakan setelah

dilakukan evakuasi.12

Sejak pada tahun 1974, GCS menjadi yang paling sering digunakan untuk

klasifikasi keparahan cedera kepala. Pada pasien dengan cedera yang lebih berat,

komponen motor pada GCS memiliki nilai prediktif terbesar karena respon mata dan verbal

umumnya tidak ada pada pasien ini. Marmarou melaporkan hubungan yang kuat dengan

hasil untuk respon motorik.

Episode hipotensi umumnya dikaitkan dengan tingkat kematian dua kali lipat dan

peningkatan morbiditas dari cedera kepala. Hipotensi adalah salah satu dari beberapa

variabel yang berhubungan dengan tampilan klinis, terutama dengan hipoksia dan dikaitkan

dengan hasil akhir yang tidak menguntungkan. Penurunan tekanan darah, MAP dan suhu

akan menyebabkan sel-sel otak iskemia mengakibatkan efek sekunder. Cushing respon

(hipertensi arteri, bradikardia, ketidakteraturan bernafas) memiliki implikasi klinis yang

penting, dimana ICP mungkin menunjukkan beberapa disproporsi dan kerusakan biasanya

tak terkendali.

28

Temuan Kelainan CT , cysternal basal pada otak tengah, kehadiran SAH dan

pergeseran garis tengah. Kehadiran SAH atau lesi intradural dan kompresi dari cysternal

basal adalah salah satu kriteria yang paling penting dalam memprediksi kematian pasien

cedera kepala. Namun pada studi tidak didapatkan hubungan bermakna, hanya reaksi pupil

yang mempunyai hubungan yang bermakna terhadap kematian dini, hasil ini bisa

dimungkinkan karena ukuran sampel yang kecil. Sebuah studi prospektif yang lebih besar

dengan jangkauan yang lebih luas diperlukan untuk memberikan informasi lebih lanjut

mengenai nilai prediksi terhadap model skoring prognosis Gomez terhadap kematian dini

pada pasien cedera kepala berat.

Pada studi ini model skoring prognosis Gomez diterapkan pada data pasien cedera

kepala berat di RSHS kemudian dinilai probabilitas kematian dan fakta yang terjadi. Hasil

studi pada model skor prognosis Gomez di dapatkan sensitifitas 33,3 %, spesifisitas 90,6%

akurasi 72,3% . Hal tersebut dapat juga dihubungkan dengan cara pembuatan model yang

seragam, salah satunya penilaiaan seluruh variabel saat enam jam dari kejadian, sedangkan

kondisi pasien yang datang ke RSHS tidak seragam, bahkan banyak yang datang terlambat,

hal ini berhubungan dengan hasil penilaian.

Studi lainnya juga menyatakan diskriminasi dari sebuah model akan muncul

dengan nilai diskriminasi yang berbeda, untuk prediksi kematian pada skoring IMPACT

dan CRASH, AUC bervariasi antara 0,65 dan 0,83 untuk IMPACT dan antara 0,66 dan

0,85 untuk model CRASH. Menilai kinerja sebuah model skoring prognosis membutuhkan

prosedur yang kompleks, yang melibatkan beberapa tingkat. Banyak faktor selain yang

langsung berkaitan dengan model itu sendiri yang dapat mempengaruhi kinerja model. Ini

termasuk perubahan epidemiologi, organisasi trauma, kebijakan perlakuan yang berbeda,

tetapi juga perubahan dalam pendekatan untuk penilaian hasil. Faktor eksternal bisa

mempengaruhi keabsahan efek prediktor (koefisien regresi) dan distribusi prediktor pada

29

populasi baru (kasus-mix). Steyerberg mengamati efek diskriminasi yang jelas dari kasus-

campuran: AUCs lebih tinggi ditemukan di seri observasional (TARN dan APOE)

dibandingkan dengan RCT. AUC lebih tinggi mencerminkan kriteria inklusi yang lebih

longgar: semakin besar heterogenitas, semakin baik model.13

Berkenaan dengan kalibrasi, Steyerberg mengamati beberapa perbedaan efek

prediktor antara pembangunan dataset dan validasi. Mungkin pendekatan untuk penilaian

hasil, dan khususnya kategori hasil, hal ini dapat merubah nilai kalibrasi.13

Secara umum, model diagnostik atau prognostik menunjukkan akurasi yang lebih

rendah pada populasi baru.14 Oleh karena itu, sebelum suatu model dapat digunakan dalam

kenyataan, tidak setiap saat kita bisa mendapatkan data untuk melakukan validasi eksternal.

Pada kondisi seperti itu, setidaknya peneliti melakukan validasi internal dengan

menggunakan teknik bootstrapping. Dari teknik itu akan dihasilkan faktor koreksi yang

nilainya berkisar antara 0 dan 1, koefisien koreksi dan intercept ini digunakan untuk

mencegah terjadinya over optimism (prediksi yang terlalu tinggi atau terlalu rendah).14

Model yang memiliki faktor koreksi mendekati angka satu dikatakan memiliki validitas

internal yang baik.

30

BAB V

SIMPULAN DAN SARAN

5.1. Simpulan

Nilai prediksi skor prognosis Gomez mempunyai nilai sensifitas rendah, spesifisitas

sedang dan akurasi sedang

5.2. Saran

Saran dari penulis untuk dilakukan penelitian yang lebih lengkap dan

mendalam mengenai nilai prediksi skor prognosis Gomez di departemen Bedah

Saraf RSUP Dr. Hasan Sadikin, Bandung dikarenakan penelitian ini masih banyak

kekurangan, mengingat data rekam medik pasien yang tidak lengkap, serta

penelitian relative singkat maka untuk mempermudah penelitian selanjutnya, perlu

dilakukan perbaikan dan kelengkapannya.

31

DAFTAR PUSTAKA

1. Bruns J, Hauser WA. The epidemiology of traumatic brain injury a review.

Epilepsia 2003;44:2-10.

2. Cole TB. Global road safety crisis remedy sought: 1 .2 million killed, 50

million Injured annually. JAMA. 2004;291:2531 - 2.

3. Arifin MZ, Faried A, Shahib MN, et al. Inhibition of activated NR2B gene-

and caspase-3 protein-expression by glutathione following traumatic brain

injury in a rat model. Asian Journal Neurosurgery 2011;6(2):72 - 7.

4. Jennett B, Teasdale G, Braakman R, et al. Predicting outcome in individual

patients after severe head injury. Lancet. 1976;1:1031 - 4.

5. Hukkelhoven CW, Steyerberg EW, Habbema JD, et al. Predicting outcome

after traumatic brain injury: development and validation of a prognostic

score based on admission characteristics. Journal Neurotrauma.

2005;22:1025 - 39.

6. Cremer OL, Moons KG, Dijk GWv, et al. Prognosis following severe head

injury: development and validation of a model for prediction of death,

disability, and functional recovery. Journal Trauma. 2006;61:1484 - 91.

7. Gmez PA, de-la-Cruz J, Lora D, et al. Validation of a prognostic score for

early mortality in severe head injury cases. Journal Neurosurgery

2014;121:1314 - 22.

8. Fearnside MR, Simpson DA. patofisiology and management of severe

closed injury: Chapman & Hall; 1997.

32

9. Houseman CM, Belverud SA, Narayan RK. Closed Head Injury in

Principles of Neurosurgery. Philadelpia: Elsevier Saunders; 2012.

10. Cook NR. Use and misuse of the receiver operating characteristic curve in

risk prediction. Circulation. 2007;115:928 - 35.

11. Perel P, Edwards P, Wentz R, et al. Systematic review of prognostic models

in traumatic brain injury. BMC Med. 2006;6(6):38.

12. Maas AI, Hukkelhoven CW, Marshall LF, et al. Prediction of outcome in

traumatic brain injury with computed tomographic characteristics: a

comparison between the computed tomographic classification and

combinations of computed tomographic predictors. Neurosurgery.

2005;57:1173 - 82.

13. Steyerberg EW, Mushkudiani N, Perel P, et al. Predicting Outcome after

Traumatic Brain Injury: Development and International Validation of

Prognostic Scores Based on Admission Characteristics. PLoS Medicine.

2008;5(8):1251 - 61.

14. Harrell FE, Lee KL, Mark DB. Multivariable prognostic models: issues in

developing models, evaluating assumptions and adequacy, and measuring

and reducing errors. Stat Med. 1996;15(4):361 - 87.

33

Deskripsi Kematian Dini, Skor Pedro, dan Prediktor Kematian Dini

Model Skoring Prognosis Pedro

-

34

35

36

Ketepatan Prediksi Kematian Dini Model Skoring Prognostik Pedro

pada Cedera Kepala Berat

Analisis Regresi Logistik (Binomial)

Prediksi Kematian Dini Model Skoring Prognostik Pedro pada Cedera

Kepala Berat

Model:

Y* = b0 + b1X1 + b2X2 + b3X3 + b4X4 + b5X5 + b6X6 + b7X7 + e

Kematian* = b0 + b1Usia + b2Motorik + b3Pupil + b4Syok + b5SDH + b6Siternal +

b7EDH + e

Logistic Regression

Block 1: Method = Enter

37

38

39

Analisis Receiver Operating Characteristic (ROC) Curve

Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian

Dini pada Cedera Kepala Berat

ROC Curve

40

41

Analisis Crosstabs

Skor Prognostik Gomez sebagai Prediktor Kematian Dini pada Cedera

Kepala Berat

Crosstabs

42